본 논문은 지구 관측 위성 계획(EOSP) 문제를 해결하기 위해 그래프 신경망(GNN)과 딥 강화 학습(DRL)을 결합한 새로운 기술을 제시합니다. EOSP는 가시성 제약 조건과 기동 제약 조건을 고려하여 관측 요청을 계획하고, 과다 할당된 관측 요청 중에서 최대의 이점을 얻을 수 있는 관측 세트를 선택하는 문제입니다. GNN은 EOSP 인스턴스를 나타내는 그래프에서 관련 정보를 추출하고, DRL은 최적의 일정 계획을 탐색합니다. 또한, 몬테카를로 트리 탐색(MCTS) 기반의 후 학습 탐색 단계를 추가하여 더 나은 솔루션을 찾습니다. 실험 결과, 이 방법은 작은 문제 인스턴스에서 학습하여 실제 규모의 문제로 일반화되며, 기존 방법과 비교하여 경쟁력 있는 성능을 보였습니다.
